CN114114950B - 一种基于语义分析的智能家居异常检测方法及系统 - Google Patents
一种基于语义分析的智能家居异常检测方法及系统 Download PDFInfo
- Publication number
- CN114114950B CN114114950B CN202210065679.7A CN202210065679A CN114114950B CN 114114950 B CN114114950 B CN 114114950B CN 202210065679 A CN202210065679 A CN 202210065679A CN 114114950 B CN114114950 B CN 114114950B
- Authority
- CN
- China
- Prior art keywords
- attribute
- equipment
- attributes
- word vector
- physical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Abstract
本发明涉及一种基于语义分析的智能家居异常检测方法,包括:获取各智能家居设备的描述和用户定义的智能家居设备联动规则;从各智能家居设备的描述和智能家居设备联动规则中提取设备属性;定义能够使设备属性产生关联的物理属性;使用预处理后的真实语料训练word2vec词向量提取模型;通过word2vec词向量提取模型生成各物理属性和设备属性的词向量;计算各物理属性的词向量与设备属性的词向量的相似度,将词向量相似度满足预设要求的设备属性‑物理属性‑设备属性对认定为挖掘出的属性关联;对系统日志进行监测,若存在属性关联中的两个设备属性在预设时间段内先后发生变化,则进行异常告警,并上报引起告警的属性关联。
Description
技术领域
本发明涉及智能家居技术领域,更具体地,涉及一种基于语义分析的智能家居异常检测方法及系统。
背景技术
随着物联网的快速发展,智能家居正在全面普及。已有的物联网平台如SmartThings、Homekit和OpenHAB使物联网设备的集成度越来越高。这些平台为来自不同供应商的智能家居设备提供统一操作的功能,并允许它们根据用户自定义的规则工作。尽管智能家居技术正在迅速发展,但人们对其安全性的担忧却越来越大。首先,物联网设备的存在使原本只存在于网络空间的黑客攻击扩展到现实世界成为可能。例如,在智能家居系统中,“关闭阀门”命令被黑客恶意截取,可能导致房间进水。其次,在大多数情况下,由于设备自检性能的限制,物联网设备的故障往往要到严重后果出现后才会被注意到。例如,由于插头的电子开关断开,使插头无法关闭加热器的电源,长时间后该加热器可能会导致火灾。第三,由于物联网设备往往通过联动规则联系在一起,一个设备的异常可能导致一连串设备的异常,这扩大了设备异常的影响范围。例如,由于指纹传感器被黑客攻击,智能门锁会被解锁。
为了解决这些问题,目前有一些智能家居的异常检测方法利用数据挖掘技术分析智能家居系统的正常行为,并将不属于已记录行为的行为作为异常行为上报。这些工作存在一些问题。第一,简单的日志比对无法预测即将发生的异常事件,难以在异常事件发生前发出警告。第二,纯粹利用深度学习算法进行数据挖掘得到的结果通常很难解释,这使得该结果难以被放心的应用于实际的智能家居系统。第三,当智能家居的系统配置或设备配置发生变化时,基于深度学习的结果无法快速更新,往往需要重新训练模型来适应智能家居系统中频繁的更改,这将带来额外的工作量以及长时间的检测真空期。
发明内容
本发明的第一发明目的在于提供一种基于语义分析的智能家居异常检测方法,该方法利用语义分析技术挖掘智能家居设备属性间的隐藏关联,预测即将发生的异常事件,及时对用户进行提醒,实现对智能家居设备异常的预测。
本发明的第二发明目的在于提供一种应用上述基于语义分析的智能家居异常检测方法的系统。
为实现第一发明目的,采用的技术方案是:
一种基于语义分析的智能家居异常检测方法,包括:
获取各智能家居设备的描述和用户定义的智能家居设备联动规则;
从各智能家居设备的描述和智能家居设备联动规则中提取设备属性;
定义能够使设备属性产生关联的物理属性;
获取设备属性和物理属性的真实语料,并对所述真实语料进行预处理;
加载word2vec词向量提取模型,使用预处理后的真实语料训练word2vec词向量提取模型;
通过word2vec词向量提取模型生成各物理属性和设备属性的词向量;
计算各物理属性的词向量与设备属性的词向量的相似度,将词向量相似度满足预设要求的设备属性-物理属性-设备属性对认定为挖掘出的属性关联;
对系统日志进行监测,若存在属性关联中的两个设备属性在预设时间段内先后发生变化,则进行异常告警,并上报引起告警的属性关联。
优选地,所述从各智能家居设备的描述和智能家居设备联动规则中提取设备属性包括:
人工建立属性数据库;
通过预训练好的word2vec词向量提取模型计算信息来源中每个单词的N维词向量,并将其与属性数据库中的设备属性的词向量进行匹配,若相似度满足预设条件则为智能家居设备添加一个新属性,将新属性添加至属性数据库中。
优选地,所述相似度满足预设条件则为智能家居设备添加一个新属性,具体为:当相似度大于90%时,为智能家居设备添加一个新属性。
优选地,所述对所述真实语料进行预处理包括进行词干提取和词性还原处理。
优选地,使用预处理后的真实语料训练word2vec词向量提取模型,包括:
使用CBOW模型输入上下文单词对应的多个N维词向量,word2vec词向量提取模型输出词库中对应目标词的softmax概率,通过反向传播算法更新word2vec词向量提取模型的参数。
优选地,使用Hierarchical Softmax加速算法加快word2vec词向量提取模型的训练过程。
优选地,计算各物理属性的词向量与设备属性的词向量的相似度,包括:将设备属
性的N维词向量的各维度值与物理属性的N维词向量的各维度值作比后,若第i个比值ɑi大
于1则将比值ɑi记为1/ɑi,若比值ɑi小于等于1则将比值记为ɑi;相似度为。
优选地,将词向量相似度满足预设要求的设备属性-物理属性-设备属性对认定为挖掘出的属性关联,包括:记物理属性的总个数为A,设备属性总个数为B;对一个物理属性,计算B个设备属性与该物理属性的相似度并排序,将相似度排序前B/2个设备属性认定为通过该物理属性关联;生成属性关联为:设备属性-物理属性-设备属性。
优选地,所述对系统日志进行监测之前,包括有对系统日志进行处理的步骤,用于处理日志中的数值型数据:
为实现第二发明目的,采用的技术方案是:
一种基于语义分析的智能家居异常检测系统,包括存储器及处理器,所述存储器内存储有程序,所述程序被所述处理器调用时,所述处理器执行上述的基于语义分析的智能家居异常检测方法的方法步骤。
与现有技术相比,本发明的有益效果是:
1)本发明利用语义分析技术,挖掘智能家居设备属性间的隐藏关联来预测即将发生的异常事件,及时对用户进行提醒,给予用户充分的反应和调整时间。
2)本发明通过预设的物理关联来挖掘设备属性间的关联,每一个预测出的关联都通过物理属性构建,可以被解释,其结果的正确性和安全性可以被证明,更容易被用户接受。
3)本发明通过单次训练的word2vec词向量提取模型构建设备属性和物理属性的词向量,挖掘出可解释的设备属性关联,对智能家居异常进行预测,不需要在每次配置更新时重新训练模型。智能家居系统配置的改变往往只会增加属性的数量和新的可挖掘关联,当配置更新时重新预测设备属性间的关联即可。这使得本发明能够适应智能家居系统配置的频繁更新。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为实施例1的基于语义分析的智能家居异常检测方法的架构示意图。
图2为实施例1的基于语义分析的智能家居异常检测方法的流程示意图。
图3为实施例2的基于语义分析的智能家居异常检测方法的应用实例图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
如图1所示,本实施例提供的基于语义分析的智能家居异常检测方法的具体架构由智能家居平台、自定义规则数据库、设备属性提取模块、设备属性数据库、物理属性定义模块、数据预处理模块、模型载入模块、模型训练模块、词向量生成模块、相似度计算模块、属性关联生成模块、系统日志获取模块、系统日志分析模块、异常告警模块等组成。
方法的基本思想为,在智能家居平台和自定义规则数据库获得各智能家居设备属性和属性描述,建立设备属性数据库。定义可能导致设备隐藏关联的物理属性,通过对设备属性描述和所定义的物理属性的描述进行语义分析,生成词向量,并计算各设备属性描述与定义的物理属性之间的相似度,挖掘出各设备间隐藏的物理关联。通过系统日志对挖掘出的属性关联进行实时监测,对不符合联动规则的属性关联的发生进行异常告警,并上报引起告警的属性关联。各部分具体说明如下:
1)智能家居平台
1.1)智能家居平台:负责为智能家居设备提供集中式的管理。支持用户直接向平台发送指令控制智能家居设备,或在平台自由定义设备联动规则,由平台代替向智能家居设备发送指令。
2)自定义规则数据库
2.1)自定义规则:负责记录用户定义的智能家居设备联动规则。使用智能家居平台指定的规则语言记录。
2.2)规则数据库:负责存储用户自定义规则的数据库。由智能家居平台提供。
3)设备属性提取模块
3.1)属性提取:负责获得各智能家居设备属性和属性描述。其信息来源可以为智能家居平台对设备的自然语言描述、设备提供商对设备的自然语言描述以及用户的自定义规则数据库。可以使用人工提取或自动化提取。其中,所述信息来源均为英文文档,不需要进行分词处理且可以直接输入word2vec词向量提取模型。自动化提取方法为:人工建立属性数据库,通过google预训练好的word2vec词向量提取模型计算信息来源中每个单词的N维词向量,与属性数据库中的属性的词向量进行匹配,若相似度大于90%则为设备添加一个新属性。
4)设备属性数据库
4.1)属性数据库:负责按照设备属性提取模块提取出的设备属性,记录各智能家居设备所具有的属性。例如,将智能台灯的属性记录为:light,timer。将智能房门的属性记录为:door,motion,fingerprint,human。
5)物理属性定义模块
5.1)物理属性定义:记录自定义的物理属性。物理属性可以由平台预先设置,也可由房主根据自身习惯自由设置。如temperature,humidity,light,motion,wind等。
6)数据预处理模块
6.1)数据预处理:负责对收集到的设备属性和物理属性进行预处理。根据得到的设备属性和物理属性,在WIKI百科或英文词典中找到含有该词的真实语料。对真实语料集进行词干提取和词性还原等预处理。
7)模型载入模块
7.1)模型载入:负责载入谷歌预训练好的word2vec词向量提取模型。
8)模型训练模块
8.1)模型训练:在上述word2vec词向量提取模型的参数基础上,使用经过预处理的真实语料集继续训练。其中,所述模型的输入层的神经元个数为真实语料集的最长词数S,除目标词外,所有上下文单词使用原有word2vec词向量提取模型预测出相应的N维词向量作为输入。不足最长词数S的补为全为0的N维向量。输出是目标词属于词库中每个单词的softmax概率。训练过程为,使用CBOW模型输入上下文单词对应的多个N维词向量,输出词库中对应目标词的softmax概率,通过反向传播算法更新模型参数。为加快训练过程,使用Hierarchical Softmax加速算法。
9)词向量生成模块
9.1)词向量生成:使用重新训练好的word2vec词向量提取模型,输入为含有目标词的真实语料,输出为目标词的N维词向量。
10)相似度计算模块
10.1)相似度计算:负责计算各物理属性与设备属性之间的相似度。计算方法为,
获取所有物理属性的N维词向量,获取所有设备属性的N维词向量。将设备属性的N维词向量
的各维度值与物理属性的N维词向量的各维度值作比后,若第i个比值ɑi大于1则将比值ɑi记
为1/ɑi,若比值ɑi小于等于1则将比值记为ɑi。最终的相似度P为。
11)属性关联生成模块
11.1)关联生成:负责生成属性关联。生成步骤如下:记物理属性的总个数为A,设备属性总个数为B,则对一个物理属性来说,计算B个设备属性与该物理属性的相似度并排序,将相似度排序前B/2个设备属性认定为通过该物理属性关联。最终生成属性关联为:设备属性1-物理属性-设备属性2。
12)系统日志获取模块
12.1)日志获取:负责获取智能家居系统中各智能家居设备的运行日志。
13)系统日志分析模块
13.1)数值日志处理:负责处理日志中的数值型数据。对每个产生数值读数的设
备,将全部日志的数值读数相加,计算其平均值μ和标准差σ。在之外的数值
读数被排除。使用K-means算法将剩余数值读数分为高或低两类,分别记为0和1,统一数值
标准;
13.2)关联日志检索:在日志中检索所有与挖掘出的属性关联相关的日志条目,并在一定时间范围内严密监控接下来出现的日志条目是否与挖掘出的属性关联一致。例如,挖掘出的属性关联为设备属性1-物理属性-设备属性2。检索日志发现某一时刻设备属性1发生改变,则监控接下来的30分钟内设备属性2是否发生变化。
14)异常告警模块
14.1)异常告警:负责当真实异常发生时对户主进行告警。例如,挖掘出的属性关联为设备属性1-物理属性-设备属性2。检索日志发现某一时刻设备属性1的数值从0变为1,且五分钟后设备属性2的数值从1变为0,则认为挖掘出的异常为真实异常。此时向户主发出预警,设备属性1的变化可能导致设备属性2的变化,提醒户主进行相应检查。
图2为本实施例提供的基于语义分析的智能家居异常检测方法的流程图,本实施例提供的基于语义分析的智能家居异常检测方法的具体步骤如下:
S201:从智能家居平台和自定义规则数据库中获取各智能家居设备的描述和用户定义的智能家居设备联动规则;
S202:使用word2vec词向量提取模型从上述描述和规则中提取设备属性,保存在设备属性库;
S203:自定义能够使设备属性产生关联的物理属性;
S204:获取上述设备属性和物理属性在WIKI百科或英文词典中的真实语料,并对真实语料进行词干提取和词性还原等预处理;
S205:载入预训练好的word2vec词向量提取模型;
S206:使用经过预处理的真实语料训练word2vec词向量提取模型并更新参数;
S207:使用该word2vec词向量提取模型生成各物理属性和设备属性的词向量;
S208:计算各物理属性和设备属性的词向量的相似度,排序后将相似度符合要求的词向量对认定为挖掘出的属性关联;
S209:获取系统日志,处理数值日志后,使用系统日志验证挖掘出的属性关联是否真实存在;
S210:若挖掘出的属性关联中的两个设备属性在一定时间段内发生连续的变化,则认为挖掘出的属性关联真实存在;将挖掘出的属性关联向户主发出告警。
实施例2
图3为本实施例的基于语义分析的智能家居异常检测方法的应用实例图。IoT云平台是用户的智能家居系统使用的云平台,负责全部智能家居设备的控制以及异常检测;温度传感器负责感知房间内的温度;智能窗户负责根据主人的需求打开或关闭窗户;运动传感器负责检测房间内是否有运动物体;扫地机器人负责按主人的需求定时打扫房间。本实施例中,智能窗户被设置两条规则:当房间温度大于30度时打开窗户,无人在家时不要打开窗户。扫地机器人被设置一条规则:早上10:00开始打扫房间。主人于早上8:30外出工作。应用的具体流程如下:
1)IoT云平台获取温度传感器、智能窗户、扫地机器人和运动传感器的全部属性描述,以及用户的自定义规则数据库;
2)IoT云平台通过人工属性提取,得到设备属性数据库。其中,温度传感器属性为temperature。智能窗户属性为window,light,wind,air,human-exist。扫地机器人属性为robot,motion,clean,timer。运动传感器属性为motion,human-existing;
3)IoT云平台预定义物理属性“motion”,与各设备属性一起进行预处理后生成各属性的词向量;
4)IoT云平台计算各设备属性的词向量与物理属性“motion”的词向量之间的相似度;
5)通过相似度比较,发现“motion”“human-exist”中可以建立关联。IoT云平台通过“motion”在扫地机器人-智能窗户之间建立隐藏关联;
6)IoT云平台持续检测系统运行日志,发现在10:00-10:10之间,同时出现了扫地机器人开始工作以及智能窗户打开两个事件,这与挖掘出的属性关联相符;
7)IoT云平台向外出的主人发出异常告警,并上报可能导致此异常的属性关联;
8)用户根据IoT云平台上报的属性关联对自定义规则进行修改。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于语义分析的智能家居异常检测方法,其特征在于:包括:
获取各智能家居设备的描述和用户定义的智能家居设备联动规则;
从各智能家居设备的描述和智能家居设备联动规则中提取设备属性;
定义能够使设备属性产生关联的物理属性;
获取设备属性和物理属性的真实语料,并对所述真实语料进行预处理;
加载word2vec词向量提取模型,使用预处理后的真实语料训练word2vec词向量提取模型;
通过word2vec词向量提取模型生成各物理属性和设备属性的词向量;
计算各物理属性的词向量与设备属性的词向量的相似度,将词向量相似度满足预设要求的设备属性-物理属性-设备属性对认定为挖掘出的属性关联;
对系统日志进行监测,若存在属性关联中的两个设备属性在预设时间段内先后发生变化,则进行异常告警,并上报引起告警的属性关联。
2.根据权利要求1所述的基于语义分析的智能家居异常检测方法,其特征在于:所述从各智能家居设备的描述和智能家居设备联动规则中提取设备属性包括:
人工建立属性数据库;
通过预训练好的word2vec词向量提取模型计算信息来源中每个单词的N维词向量,并将其与属性数据库中的设备属性的词向量进行匹配,若相似度满足预设条件则为智能家居设备添加一个新属性,将新属性添加至属性数据库中。
3.根据权利要求2所述的基于语义分析的智能家居异常检测方法,其特征在于:所述相似度满足预设条件则为智能家居设备添加一个新属性,具体为:当相似度大于90%时,为智能家居设备添加一个新属性。
4.根据权利要求1所述的基于语义分析的智能家居异常检测方法,其特征在于:所述对所述真实语料进行预处理包括进行词干提取和词性还原处理。
5.根据权利要求4所述的基于语义分析的智能家居异常检测方法,其特征在于:使用预处理后的真实语料训练word2vec词向量提取模型,包括:
使用CBOW模型输入上下文单词对应的多个N维词向量,word2vec词向量提取模型输出词库中对应目标词的softmax概率,通过反向传播算法更新word2vec词向量提取模型的参数。
6.根据权利要求5所述的基于语义分析的智能家居异常检测方法,其特征在于:使用Hierarchical Softmax加速算法加快word2vec词向量提取模型的训练过程。
8.根据权利要求7所述的基于语义分析的智能家居异常检测方法,其特征在于:将词向量相似度满足预设要求的设备属性-物理属性-设备属性对认定为挖掘出的属性关联,包括:记物理属性的总个数为A,设备属性总个数为B;对一个物理属性,计算B个设备属性与该物理属性的相似度并排序,将相似度排序前B/2个设备属性认定为通过该物理属性关联;生成属性关联为:设备属性-物理属性-设备属性。
10.一种基于语义分析的智能家居异常检测系统,其特征在于:包括存储器及处理器,所述存储器内存储有程序,所述程序被所述处理器调用时,所述处理器执行权利要求1-9任一项所述的基于语义分析的智能家居异常检测方法的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210065679.7A CN114114950B (zh) | 2022-01-20 | 2022-01-20 | 一种基于语义分析的智能家居异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210065679.7A CN114114950B (zh) | 2022-01-20 | 2022-01-20 | 一种基于语义分析的智能家居异常检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114114950A CN114114950A (zh) | 2022-03-01 |
CN114114950B true CN114114950B (zh) | 2022-04-12 |
Family
ID=80360953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210065679.7A Active CN114114950B (zh) | 2022-01-20 | 2022-01-20 | 一种基于语义分析的智能家居异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114114950B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709814A (zh) * | 2018-12-26 | 2019-05-03 | 北京蓦然认知科技有限公司 | 一种智能家居中动态构建冲突校验规则表的方法、装置 |
CN110007611A (zh) * | 2019-03-08 | 2019-07-12 | 浙江大学 | 一种基于知识图谱的智能家居隐式冲突检测方法 |
CN110361982A (zh) * | 2019-08-14 | 2019-10-22 | 珠海格力电器股份有限公司 | 一种家居设备控制方法、存储介质及智能家居设备 |
CN110597075A (zh) * | 2019-09-09 | 2019-12-20 | 珠海格力电器股份有限公司 | 一种检测控制冲突的方法、装置、电子设备及存储介质 |
CN110708619A (zh) * | 2019-09-29 | 2020-01-17 | 北京声智科技有限公司 | 一种智能设备的词向量训练方法及装置 |
CN111000492A (zh) * | 2019-11-08 | 2020-04-14 | 尚科宁家(中国)科技有限公司 | 基于知识图谱的智能扫地机行为决策方法及智能扫地机 |
CN111641621A (zh) * | 2020-05-21 | 2020-09-08 | 杭州安恒信息技术股份有限公司 | 物联网安全事件识别方法、装置和计算机设备 |
CN112631139A (zh) * | 2020-12-14 | 2021-04-09 | 山东大学 | 智能家居指令合理性实时检测系统及方法 |
CN113064666A (zh) * | 2021-03-18 | 2021-07-02 | 北京大学 | 物联网设备调度冲突检测方法及系统 |
CN113495491A (zh) * | 2021-06-24 | 2021-10-12 | 深圳市晨北科技有限公司 | 设备联动关系的展示方法、装置、电子设备及存储介质 |
CN113869753A (zh) * | 2021-09-30 | 2021-12-31 | 南京航空航天大学 | 物联网智能家居情景安全分析方法和装置 |
-
2022
- 2022-01-20 CN CN202210065679.7A patent/CN114114950B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709814A (zh) * | 2018-12-26 | 2019-05-03 | 北京蓦然认知科技有限公司 | 一种智能家居中动态构建冲突校验规则表的方法、装置 |
CN110007611A (zh) * | 2019-03-08 | 2019-07-12 | 浙江大学 | 一种基于知识图谱的智能家居隐式冲突检测方法 |
CN110361982A (zh) * | 2019-08-14 | 2019-10-22 | 珠海格力电器股份有限公司 | 一种家居设备控制方法、存储介质及智能家居设备 |
CN110597075A (zh) * | 2019-09-09 | 2019-12-20 | 珠海格力电器股份有限公司 | 一种检测控制冲突的方法、装置、电子设备及存储介质 |
CN110708619A (zh) * | 2019-09-29 | 2020-01-17 | 北京声智科技有限公司 | 一种智能设备的词向量训练方法及装置 |
CN111000492A (zh) * | 2019-11-08 | 2020-04-14 | 尚科宁家(中国)科技有限公司 | 基于知识图谱的智能扫地机行为决策方法及智能扫地机 |
CN111641621A (zh) * | 2020-05-21 | 2020-09-08 | 杭州安恒信息技术股份有限公司 | 物联网安全事件识别方法、装置和计算机设备 |
CN112631139A (zh) * | 2020-12-14 | 2021-04-09 | 山东大学 | 智能家居指令合理性实时检测系统及方法 |
CN113064666A (zh) * | 2021-03-18 | 2021-07-02 | 北京大学 | 物联网设备调度冲突检测方法及系统 |
CN113495491A (zh) * | 2021-06-24 | 2021-10-12 | 深圳市晨北科技有限公司 | 设备联动关系的展示方法、装置、电子设备及存储介质 |
CN113869753A (zh) * | 2021-09-30 | 2021-12-31 | 南京航空航天大学 | 物联网智能家居情景安全分析方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114114950A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11194692B2 (en) | Log-based system maintenance and management | |
CN110135157B (zh) | 恶意软件同源性分析方法、系统、电子设备及存储介质 | |
CN109408389B (zh) | 一种基于深度学习的代码缺陷检测方法及装置 | |
WO2018213552A1 (en) | Anomaly detection in streaming networks | |
CN108717408B (zh) | 一种敏感词实时监控方法、电子设备、存储介质及系统 | |
Siegel | Industrial anomaly detection: A comparison of unsupervised neural network architectures | |
Aussel et al. | Improving performances of log mining for anomaly prediction through nlp-based log parsing | |
CN112800116B (zh) | 一种业务数据的异常检测方法及装置 | |
CN111612041A (zh) | 异常用户识别方法及装置、存储介质、电子设备 | |
CN105518656A (zh) | 用于多传感器数据融合的认知神经语言学行为辨识系统 | |
CN106060008B (zh) | 一种网络入侵异常检测方法 | |
CN112235327A (zh) | 异常日志检测方法、装置、设备和计算机可读存储介质 | |
CN111143838B (zh) | 数据库用户异常行为检测方法 | |
CN111291195A (zh) | 一种数据处理方法、装置、终端及可读存储介质 | |
Shi et al. | An accident prediction approach based on XGBoost | |
CN113438114B (zh) | 互联网系统的运行状态监控方法、装置、设备及存储介质 | |
CN110516210B (zh) | 文本相似度的计算方法和装置 | |
CN107111609B (zh) | 用于神经语言行为识别系统的词法分析器 | |
CN110580213A (zh) | 一种基于循环标记时间点过程的数据库异常检测方法 | |
CN114114950B (zh) | 一种基于语义分析的智能家居异常检测方法及系统 | |
Li et al. | Adadebunk: An efficient and reliable deep state space model for adaptive fake news early detection | |
KR102021138B1 (ko) | 인공지능 기반 악성 도메인 분류 방법 및 프로그램 | |
CN117275202A (zh) | 文物重点区域危险源全方位实时智能预警方法及系统 | |
CN115344563B (zh) | 数据去重方法及装置、存储介质、电子设备 | |
CN115688101A (zh) | 一种基于深度学习的文件分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Semantic Analysis Based Anomaly Detection Method and System for Smart Home Effective date of registration: 20230825 Granted publication date: 20220412 Pledgee: Guangzhou Rural Commercial Bank Co.,Ltd. Huaxia Branch Pledgor: Guangzhou youkegu Technology Co.,Ltd. Registration number: Y2023980053830 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |